遥感影像监督分类的方法有哪些

Ⅰ 怎样利用ENVI进行有监督的分类

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

遥感影像的监督分类一般包括以下6个步骤，如下图所示：

详细操作步骤

第一步：类别定义/特征判别

根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

第二步：样本选择

第三步：分类器选择

第四步：影像分类

第五步：分类后处理

过程比较复杂，如果还有什么问题可以私信我帮你！

Ⅱ 遥感图像分类处理方法

图像分类是以计算机来区分图像中所含的多个目标物为目的，并对区分的像元组给出对应其特征的名称，从而达到图像判读的目的。用于图像分类的数学理论目前有3个分支：统计图像分类、专家系统分类和模糊分类。统计图像分类是目前图像分类方法中最成熟的方法，有监督分类（supervised classification）和非监督分类（unsupervised classification）两种方法（丰茂森，1992）。

1.监督分类

监督分类是先用某些已知类别训练样本让分类识别系统学习，待其掌握了各个类别的特征之后，按照分类的决策规则进行分类的过程。使用的数学方法有多级切割分类法、决策树分类法、最小距离分类法、最大似然分类法。

2.非监督分类

非监督分类就是不用训练样本，而是根据图像数据自身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行统计分类。它与监督分类的区别在于监督分类首先给定类别，而非监督分类由图像数据的统计特征来决定。

非监督分类最常用的统计方法是聚类分析，聚类分析是按照像元之间的相似程度来进行的一种多元统计分析方法。

监督分类的缺点在于会有大量的像元没有分类。对于研究区所有植物群落，都要找到和确立相同的训练基地很困难，即使是非常均一的植物群落，像元与像元之间，依然有相当大的变差（或称噪音），所以使得错误分类的像元数达到很高的比例。

非监督分类将具有相似光谱响应的像元组聚为一类，在草地分类和制图上效果良好。非监督分类可以多次重复，一直到分类结果满意为止（即将分类结果显示，看是否与实际景观的某些特征相匹配）。这种做法的实质是，形成许多光谱分类，每一光谱分类都表示一个或一组特定的地面多边形；反过来讲，这些多边形表示已把某种地面属性赋予某个光谱分类。这些光谱分类在所有光谱的某一组谱段上都有确定的光谱特征。

图4-2 监督分类和非监督分类处理过程

（据李建龙，1997）

Fig.4-2 A flow chart of supervised classification and unsupervised classification

由于研究区地形复杂，不能建立很完全的训练基地，采用监督分类时未分类像元很多。因此，本书采用了非监督分类法。